为什么情报中的信息有其代价——Alexander Mattick
摘要
Mattick 的核心警告是：预测能力提升本身，并不会消除搜索、动作选择或保证的必要性——而这些能力才是把预测器变成智能决策者的关键。 即便拥有完美的国际象棋世界模型，也不会因此知道如何击败 Magnus Carlsen：“能够预测未来，与能够推断出正确行动之间存在差别。” 对投资者而言，更好的生成视频或机器人演示因此只能证明预测能力更强，还不能证明系统具备自主智能。
生成模型技术栈已经把高成本工作从推理端转移到了训练端：能量模型把归一化留给 MCMC，扩散模型将可逆加噪过程摊销，流匹配则把选定的输运路径学习成监督回归问题。 Mattick 提出的经济性检验比通常的生成式/非生成式分类更锋利：“问题不是它们能不能做到，而是这么做是否经济。” 他的明确判断是，除物理能量函数、廉价成对比值或可能的预训练用途等少数场景外，基于能量的建模“已经不太有用，至少不再有用了”。
只要公司希望在图像、音频、视频和物理轨迹等连续领域获得类似语言模型的规模，流匹配就有用。 语言天然可以逐 token 分解；连续数据则没有这种结构，因此扩散模型和流模型借助潜在时间来拆解问题，从噪声逐步走向完整输出，而不是从左到右生成。代价体现在运行层面：流路径可以被塑造成更易采样的形状，但去噪步骤更多并不自动意味着结果更好——25步与150步之间，可能就会把有效的细化变成明显“烤过头”的细节。
约束是具有经济价值的先验信息，不是应该藏进奖励函数里的尴尬因素。 Mattick 拒绝“奖励已经足够”这一实践版本，因为“绝大多数信息都非常、非常昂贵”；让智能体重新学习已经通过“血汗和泪水”获得的知识，会浪费数据、算力和现实世界试验。OpenAI Five 手工调制的奖励权重表就是他的样本：走错车道实际上是一条约束，而击杀英雄则需要负奖励，因为金币已经在奖励同一事件。
显式约束强化学习提供了更清晰的工程接口和更好的可组合性，但并不会凭空保证安全。 工程师可以很自然地说明某个载荷会压坏机器人，或区域供热管道绝不能爆裂，却很难用同样自然的方式调出一组惩罚系数；加入相关奖励时，约束也不需要重新调遍整个奖励函数。但期望成本约束可能掩盖肥尾，投影方法可能凭空制造障碍，拉格朗日方法则会在边界附近震荡——因此真正的实践分野在于能否可靠地估计并执行约束，而不只是增加一个安全目标。
当前深度学习理论仍然过于碎片化，无法可靠预测失败；Mattick 更偏好函数视角或平均场视角，而不是逐参数解释。 在足够大规模下，他认为网络更像不断演化的函数空间，而不是由每个都具有独立意义的权重组成的集合；这让过参数化不再那么反直觉，也意味着相比架构本身，规模化效率更重要。他衡量进展的标准是证伪：如果沿着既有工作继续推进，却能让一个实现错误隐藏“2-3个月”，那么理论还没有成为工程级工具。
在 Mattick 的叙述中，世界模型和 JEPA 更像宽泛的品牌，而不是边界清晰的技术突破。 “世界模型”可以指传感器预测器、视频扩散模型、潜在动力学模型或基于模型的 RL 组件；他提出的边界在于，数据采集是否仍然处于学习闭环之内。商业检验发生在部署阶段：一个90%成功率的机器人可以做出很有说服力的演示，但 BMW 这样的工厂买家需要可重复性、逐状态的最低可靠性，以及远低于“删掉电脑这个概念就是把人压扁”的故障后果。
精读
1. 大多数深度学习本来就是推断
Mattick 反驳了普通机器学习只能产生点估计这一前提。自回归语言模型会把完整句子的概率密度分解为逐个 token 的分类预测；即便是均方误差回归，也等价于假设数据服从标准差固定的正态分布后，对其负对数似然进行优化。
保留概率密度的完整范围，价值在于系统可以推理不同选项，而不是只报出自己最偏好的动作。在强化学习中，Mattick 将 Q-learning 的点式建议与能够保留不确定性的策略梯度方法进行对比：后者可以探索一个“眼下可能略差、但长期结果更好”的动作。
什么样的密度算“好”，取决于用途。生成图像模型需要在真实图像或符合提示的图像附近拥有高似然；统计学家则可能需要一个能区分公平硬币和“落正面概率更高”的硬币的后验分布。先验提供了在有限观测之间进行插值的规则——没有先验，“精确解就只能是把数据记住”。
2. 经典推断以惨重采样成本换取表达能力
最早的便利方案，是选择一类对所有参数取值都保持归一化的参数化分布。这样做让拟合变得可处理，却限制了结果：如果用一个正态分布覆盖两个彼此分离的模态，概率质量就会落在中间的空白区域，等于“多少想取个折中”。
拒绝采样通过在目标分布外包一层包络，消除了部分函数形式限制，原理类似于在包含圆形的正方形里撒点来估算 π。但它在高维环境下扩展性很差，因为绝大多数提议都会被拒绝；MCMC 改善了问题的表述，却仍然很慢：当链被困在某个模态中时，会反复执行“最终并没有走到任何地方”的计算。
Tim Scarfe 提出的 GFlowNet 挑战，只换来了一个更有限的让步。GFlowNet 可以在图上构造样本，通过放大通向更高终端奖励的路径，同时平衡流入与流出；但它假设构造结构本身是正确的。这适合分子组装等问题，Mattick 不认为它能普遍替代不受结构约束的推断。
3. 能量模型理论上是生成式的，但经济性尴尬
能量模型沿用了统计物理的语言：低能量状态更受偏好，学习到的能量则充当未归一化密度。它的灵活性来自把归一化推迟处理，但生成样本因此需要昂贵的 MCMC，在每次推理时重复支付成本；而扩散类系统会在训练阶段将这部分工作摊销掉。
Mattick 不接受 LeCun 从字面上把 EBM 描述为非生成式模型。只要把理想的能量函数交给 MCMC 采样器，它就能生成数据；真正的区分在于成本。“问题不是它们能不能做到，而是这么做是否经济”，而对 EBM 来说，通常并不经济。
相对比较仍是 EBM 最清晰的应用场景。比较两个观测值时，未知的归一化常数会相互抵消，因此 EBM 可以低成本判断一个观测比另一个更可能。但它很难给出绝对判断：这就像说一部电影“是5分”，却不说明满分是5分、10分还是100分。
Mattick 的明确结论是，能量模型“已经不太有用，至少不再有用了”，例外包括本来就存在类能量量的场景、只需要比值的场景，或把模型用作潜在的预训练目标。深度学习又让这个判断变得复杂，因为糟糕的形式往往不会彻底失败，而是逐步退化；甚至他自己的实现错误也“居然还能运行”。
4. 扩散模型用学习到的可逆路径替代接受—拒绝采样
Mattick 将潜变量视为计算能力：只要对足够多的中间状态进行条件化，就能把难处理的密度拆成更简单的局部问题。扩散模型把这一思路推向近乎无限长的潜变量序列，用一个按合成时间索引的平滑马尔可夫过程，替代 MCMC 的拒绝提议和模态跳转。
训练时，模型反复向真实样本加入正态噪声，再学习如何逆转其中一个加噪步骤。推理时，过程从正态噪声开始，沿着学习到的向量场反向运行。由于这对应一个可逆的随机微分方程，也可以通过把目标样本反向推向噪声并累计散度，重新得到其似然。
代价是增加了时间变量，以及训练阶段大量小型去噪问题。Mattick 认为这笔账划算，因为成本主要是一次性的训练支出；推理时只需沿着向量场运行，成熟的 ODE 求解器还可以加速这一过程，而不必对每个生成样本重新执行昂贵的归一化。
归一化流通过可逆重参数化攻击同一问题：把一个已知的基准测度变换成目标分布，并通过雅可比矩阵追踪局部膨胀。连续归一化流则放宽了架构层面的可逆性要求，学习一个本身可逆的向量场——“不是顺着山坡往下走，而是沿原路往上走”。
5. 流匹配固定路径，让学习变成监督回归
流匹配位于扩散模型与连续归一化流之间。它不在每次最大似然更新时都求解完整 ODE，而是选择一个参考耦合——例如连接一个基准样本与真实样本的直线——然后训练模型复现这条路径上已知的局部方向。
固定路径带来两个优势。每个中间点都能提供监督目标，无需模拟完整轨迹；设计者还可以选择更有利于采样的几何形状：直线路径通常比高度非线性的路径更容易积分。Mattick 的总结是：它拥有“归一化流的全部灵活性”，同时具备类似扩散模型的训练和采样特征。
在这个框架下，扩散模型是一个特殊的参考流，其加噪过程隐式定义了路径，并试图最小化 KL 散度。它的向量场依赖不断变化的密度，这部分解释了训练为何可能不够顺畅；流匹配则提前指定参考方向，消除了这种自耦合。
Mattick 的区分在于，朴素的归一化流变换必须可逆，而生成连续流向量场的神经网络函数本身不必可逆。在连续流表述中，轨迹提供了可逆路径：沿同一条路径反向运行即可。
6. 连续模态需要区别于语言的分解方式
语言天然具备离散的从左到右分解：预测一个 token，以它为条件，再重复这一过程。图像、音频、视频和物理轨迹当然可以被强行切成离散 token——“只要持续用锤子敲它们，基本什么都能敲出来”——但自回归未必是它们最自然的密度分解方式。
扩散模型则将连续数据“从底向上”分解：先让所有变量都存在但被噪声污染，再逐步恢复完整对象。流匹配提供了同样的一般性潜在空间分解；Mattick 指出，许多被称为扩散模型的系统实际包含流匹配，因为后者可能更稳定，包括 Tim 提到的 Voxtral。
在讨论 AlphaFold 3 时，Tim 提到大型分子结构会先于细节出现。Mattick 认为这种由粗到细的涌现是合理的，但并非数学上的必然：后续的小步更新很难重建缺失的全局结构，因此“理性的模型”大概会先学会全局结构。反过来的顺序也可能有效，但或许需要“多出数千倍的参数”。
迭代次数增加并不保证样本更好。Tim 用 Stable Diffusion 举例，对比25步和150步：过度细化可能制造不自然的微观细节。Mattick 将其视为模型碰巧更容易学习什么所产生的结果，而不是扩散模型的内在要求。
7. JEPA 是过于宽泛的标签，无法指认独特机制
在 Mattick 看来，Joint Embedding Predictive Architecture 可以“字面意义上描述任何东西”，最多只能宽泛地指向一种非对比学习目标。在自己的实验中，他更偏好 DINO 式嵌入而不是 JEPA 式嵌入，但也承认两者的比较并不稳固：如果 DINO 今天才出现，它的支持者完全可以把它称为 JEPA。
SimCLR 等对比学习系统会把增强后的视图拉近，同时把一个 batch 中的样本彼此推远。问题在于，目标会随 batch 变化，而且有许多数学上可接受却没有实际用途的配置；SimCLR 只有在超大 batch 下才有效，MoCo 则通过一个由动量维护的缓冲区近似这种大 batch。
Mattick 同意 LeCun 的观点：单靠对比不是足够强的学习原则。变分自编码器、DINO、VICReg 以及 JEPA 类方法，转而寻求紧凑且不坍缩的嵌入。他尤其强调 Ledger 风格的方法：它们针对固定的参考密度进行统计检验，目标是稳定的，而不是由当前 batch 定义；当点集中挤向参考模态时，系统会产生排斥效应。
8. 结构化推断随着问题增长，而不是一次性压缩问题
“推断”一词横跨逻辑、贝叶斯方法和模型执行，含义并不统一；但 Mattick 仍保留了一个有用的共同内核：把大问题拆解为条件依赖和边际化。这个视角可以同时涵盖自回归生成、扩散轨迹、树搜索，以及先收集证据再更新下一步决策的智能体。
在自己的混合整数规划工作中，他把分支定界变成一条概率路径。每次向左或向右的分支选择都会贡献一个条件概率，抵达叶节点的概率则由这些局部决策组合而成。当优化树扩展到数千个开放节点时，推断过程也随之扩展，并吸收新增结构。
这也是 Mattick 为智能体提出的思维模型：研究过程负责收集数据，将数据纳入当前条件信念，再让下一步行动依赖扩大后的信息集。他认为，“所有这些智能体式的东西”都可以从中获得结构：把工具使用视为贝叶斯更新，而不是没有区分的测试时计算。
Q-learning 提供了对照。它学习当前奖励加未来价值，也就是“头部”和“尾部”，因此行动仍然可以相对于长期回报采取贪心策略。SARSA 回传实际采取的动作；Q-learning 回传估计的下一步最优动作，由此朝 Q* 学习，但也在实际经历的轨迹与想象中的轨迹之间引入了反事实间隙。
9. 架构的主要作用在于规模化效率
在十亿参数规模上，Mattick 怀疑架构差异是否像从业者想象的那样具有根本性。输入仍然必须适配模型——固定输入的 MLP 不可能直接冒充开放式语言模型——但足够大的网络表现得更像函数空间，而不是某种具体参数化。
他的类比是流体力学：没人会追踪“数十亿、数不清个”氢分子来模拟一股水流；Navier–Stokes 描述的是整体。平均场分析同样以统计方式处理参数群体，因为单个权重如何移动，与整个场如何演化相比意义有限。
架构仍决定了逼近这一极限的效率。一种设计可能只需要10亿参数，另一种却需要1000亿参数，就像深层网络可能比极宽的浅层网络扩展得更平滑。因此 Mattick 不愿指定某种所谓理想的扩散架构：“我不认为这很重要”，只要信息流和规模化成本没有问题即可。
10. 函数理论比参数计数更能解释过参数化
参数视角把神经网络视为一个巨大的非线性程序，研究收敛、全局最优、线性区域或局部几何。样条理论和相关组合方法可以解释特定架构的细节；例如，Mattick 喜欢这样一种对批归一化的解释：它把数据集中到中间区域，并改变超平面的分布方式。
局限在于，规模扩大后，单个参数的解释力会下降。平均场理论用一个关于特征测试的密度，替代有限规模隐藏层中大量具体参数，从而可以把训练分析为分布的移动。神经切线核则进一步简化，直接在函数空间中描述学习。
固定不变的神经切线核能够捕捉“惰性”学习，却无法解释表征的演化。让核本身发生变化，就能把理论连接到平均场的特征学习，但分析也会困难得多：既要追踪当前的局部函数，也要追踪用来表达该函数的函数空间如何变化。
函数空间分析让过参数化不再那么神秘。一个10亿参数模型不只是一个危险膨胀的有限程序，也可能比一个50参数的近似更接近真正相关的无限函数类。这种框架还能够跨越架构更替，从 ReLU 样条到门控激活，从 transformers 到 MLP-Mixers，仍然保持适用。
11. 有用的理论必须经得起实验检验
Mattick 对数学风格持多元主义态度：参数化、几何、可计算性、统计物理或函数理论，只要能够做出正确预测，就有资格存在。他反对的是理论论文很少真正尝试证伪——“你要去实际检查测试是否有效”，并准确找出解释在哪个位置失效。
真实数据无法提供高斯混合模型或核方法在已知数据源和容量条件下拥有的完整保证。研究者通常不知道目标函数的真实结构，因此 Mattick 倾向于物理学到工程的循环：先近似可解部分，预测真实系统，检验结果，再修正理论，而不是假设现实世界完全可以由理想化的“球形奶牛”描述。
他提到自己曾让一个实现错误隐藏2-3个月，认为这足以构成控诉。如果对既有研究的扩展可以在错误实现的情况下看起来仍然成功，那么这个领域就无法可靠地区分理论失败和软件错误。参数理论、函数理论和机制可解释性目前都没有达到这一诊断标准。
碎片化进一步放大了问题。Barron 的无维度界已经说明，复杂度可以取决于目标函数的频率结构，而不是环境维度——高维常数有时反而比二维心跳信号更容易处理。但会议激励机制奖励的是连续3-4年的渐进式论文，而不是一套能够在完整博士周期内持续有效的“标准模型”。
12. 流形图景很漂亮，但还不是可操作的解释
Tim 将 Randall Balestriero 对输入敏感的“蜂窝”区域，与 Goodfire 把天、月和地理位置通过 PCA 投影成清晰曲线的结果进行对比。前者意味着一个小扰动就可能把样本瞬间传送到另一个区域；后者则暗示模型会收敛到某些几何不变量，二者并不支持简单的低维流形叙事。
Mattick 承认现实中必然存在某种可压缩结构：如果现实本身已经是最短描述，建模就没有任何意义。但他认为“流形假设”过于粗糙，无法判断这种结构究竟是什么；当前的可解释性方法也过于脆弱，无法证明或证伪它。
Transformer 电路分析往往假设路由在各种变化下仍然稳定，但这些变化实际上可能改变路由；很小的实验差异就可能反转结论。通过 grokking 提取模运算中的正弦和余弦算法，是他最喜欢的可解释性成果之一，但它也暴露了缺口：即便完整解释了模运算，也没有语言说明网络如何表示“一只鸭子”。
纯函数分析同样会把有限规模理想化掉，纯样条分析则可能把局部分区误认为完整计算。Mattick 给出的结论刻意不够令人满意：流形假设既不能明确说真，也不能明确说假——“即使它是真的，我也不认为这是思考这个问题的有用方式”。
13. “奖励已经足够”只在形式上是同义反复
任何目标在技术上都可以变成奖励。给定一个巨大混合整数非线性规划的解 X*，可以最小化 X 与 X* 之间的距离，把原问题变成一个简单的凸目标。这只能证明目标可以被表达，并不能证明有人能够找到或优化出所需的奖励。
Mattick 将 Sutton 更强的主张理解为一种乐观主义：每项任务都存在足够好的奖励，而只要最大化能力足够强，其他机制就可能过时。他谨慎地限定自己的归因——“我不确定他本人会把这句话说到多远”——但拒绝这一命题的实践前提，也怀疑它作为无限极限下的理想是否有用。
控制理论说明了 RL 放弃了什么。控制器从被控对象模型、响应估计或人工设计结构出发；强化学习则从交互开始，必须同时发现环境如何运行，以及哪些行动能够产生长期回报。这种通用性很强，但它只是把探索纳入系统，并没有消除探索成本。
期望成功率也弱于最坏情况安全。控制器可以平均表现完美，却仍包含一条灾难性轨迹，让“机器人把你一拳打在头上”。Mattick 提到一项他记得大约是“训练深度神经网络实现一致精度不可处理”的结果：要施加最大误差保证，所需数据量可能随着参数数量呈指数增长。
14. 先验信息昂贵到不应被丢弃
Tim 为约束辩护时从 RLVR 讲起：基础语言模型已经具备足够的概念知识，可以进行有意义的搜索，而不是像未经初始化的深度 Q 网络一样四处乱撞。因此，如何塑造搜索空间本身就是能力的一部分，而不是叠加在所谓通用学习器之上的不纯因素。
Mattick 在 Fraunhofer 的应用经历把成本说得很具体：“绝大多数信息都非常、非常昂贵。” 一个拒绝约束的系统必须重新学习那些已经通过“血汗和泪水”购买的知识，即便工程师在第一次新试验开始前就已经掌握可靠的物理、运营或历史信息。
工业奖励函数其实已经默默承认这一点。对禁止状态施加惩罚，本质上就是把约束写在另一列，再配上一组手工调制的系数。Mattick 举出的典型例子是 OpenAI Five 附录：一张列有大量游戏属性和“一堆随机数字”的表格，被用作奖励权重，却没有可信的系统方法推导出完整组合。
相关性会让这些权重变得脆弱。长时间处于错误车道天然是一条约束；击杀敌方英雄之所以获得负奖励，是因为由此得到的金币已经被奖励。如果不做这一修正，智能体就可能无限期地在中路刷击杀，而不是赢下比赛——两个相关奖励把引导变成了漏洞。
15. 约束 RL 提供多种保证，但每种都有失效模式
在约束马尔可夫决策过程中，智能体要最大化累计奖励，同时让累计成本的期望低于阈值。期望值可能掩盖危险尾部：50条成本为0的轨迹和50条成本为50的轨迹，平均成本为25，满足平均成本上限25，但其中一半运行结果已经严重违反直觉上的安全要求。
不同方法对应不同风险概念。条件风险价值关注尾部结果的严重程度和发生概率；分位数约束则可能要求以99%的概率满足要求。但 Mattick 的区域供热例子要求更强的标准：管道不应爆裂，而不是只要求管道平均而言保持完好。
CPO 将 TRPO 风格的性能界扩展到成本，但一旦策略从可行域外开始，恢复过程就会变得棘手，并容易在边界附近震荡。投影方法会估计一个可行表面，再把策略映射回去；如果学习到的约束有误，投影反而会制造一堵幻觉般的墙，让越来越强的优化器越来越不愿意跨过去。
拉格朗日方法利用零对偶间隙，但随着乘子升降，往往在过度谨慎和违反约束之间交替；PID 式调节可以缓和，却无法消除这一行为。CBPO 或 FOCOPS 等局部方法可能更精确，Safe-MPO 式近似则可能遇到子问题不可行的 batch。基于模型的变体继承了约束 MPC 对模型准确性的依赖。
16. 显式约束带来沟通能力和可组合性
第一个直接价值是可读性。工程师可以在实验前说明某种载荷会压坏机器人；要求他把同样的知识表达成一个全球正确的惩罚系数，既不自然，也更容易意外允许阈值被突破。
第二个价值是可组合性。奖励权重是相对量，因此加入金币奖励可能让原本适用于击杀英雄的权重失效，进而迫使整个系统重新调参。像“维持可接受的击杀差”这样的约束拥有独立目标；在拉格朗日表述中，乘子可以自动调整以执行该目标。
有些约束应当直接写进架构：屏蔽不可能的动作，把控制量投影到有效范围内，或将输出缩放到执行器限制以内。状态依赖的环境约束更难，因为可行性同时取决于策略和世界状态；一般约束满足问题可能是 NP-hard，因此不可能存在一种普适的静态架构技巧。
公平地证明约束能够改善学习本身就很困难。受约束问题在数学上更难，可能需要平稳随机策略或非平稳确定性策略，而普通 Q-learning 不够用。但拿它与无约束的奖励编码相比也会偏置实验，因为要设计一个能够精确复现同一可行任务的奖励函数，本身可能已经需要先解决约束问题。
17. 抽象只有在底层提供可执行承诺时才有效
Tim 所说的“现实是多变的”，意味着底层表征应保持灵活，因为交互会改变世界；更高层抽象则保留更稳定的不变量。Mattick 将其转化为一个接口条件：底层必须保证某件上层可以安全依赖的事情，但不必规定底层实现的每个细节。
他认为，缺乏这类保证，是分层强化学习始终没有真正发展起来的原因之一。控制理论可以提供强有力的最坏情况承诺，包括 H∞ 风格的鲁棒性；而 RL 子策略可能只是“随便做点什么”，让上层规划器无法依赖一个可靠契约。
每个抽象都受到两个方向的约束：下层提供能力，上层提出需求——“机器人不能把你压扁”。即使人们随口提到通用逼近定理，也是在发挥同样作用；不过 Mattick 指出，大多数引用这个定理的人并没有读过它究竟保证了什么。
有用的抽象之所以留下来，是因为有人采用它且它确实有效，而不是因为每个候选方案都必然会被发现，或它在历史上不可避免。Mattick 以模糊逻辑为例：它曾被视为处理不确定决策的替代方案，但概率论和贝叶斯推断更具复用性，部分原因是贝叶斯方法本身还能推断贝叶斯模型。其他有价值的抽象，也可能只是始终没有遇到合适的使用者。
18. 世界模型演示还没有达到智能的标准
“世界模型”和 JEPA 一样含义过宽：它可以指触觉传感器预测器、机器人动力学模型、视频扩散系统、潜在状态预测器、在 Minecraft 视频上训练的新一代 Dreamer，或普通的基于模型的 RL。Mattick 自己的边界是流程性的——如果数据收集处于闭环之内，就是基于模型的 RL；如果训练数据固定且离线完成，就是世界模型。
他认为 JEPA 和世界模型最终都是“品牌”。它们共享的核心，是根据上一状态和动作预测下一状态的动力学模型，而研究人员早在当前术语出现之前就已经在做这件事。NVIDIA 的 Cosmos 3 Omni 及类似系统可能是强大的基础设施，但类别名称本身并不代表出现了新机制。
动力学模型即便足够准确，也不能仅凭这一点取代强化学习。“我可以给你一个完美的国际象棋世界模型，但你仍然解不出这盘棋”；预测合法的未来棋盘，与选择能够击败 Magnus Carlsen 的线路，是两回事。不过，廉价的学习型模拟器仍然极其重要，因为它们可以提供近乎无限的 rollout，并在无需学习价值函数的情况下，支持 GRPO 式的实时优势估计。
机器人领域暴露了剩余缺口。后空翻避开了走到冰箱前、找到里面最深处的牛奶、抓住它并安全返回所涉及的接触密集型感知问题。Mattick 承认 Tim 所说的“物理提示”机器人或许能把卡住的球拨开，但一个准确的 NMPC 控制器也可能发现同样的动作；问题在于，任一系统能否在不同状态下始终保持可行、足够快速且可靠。
生产场景看重可重复性，而不是峰值表现。BMW 的买家不会接受一个90%情况下表现正确、剩余10%情况下行为不可预测的机器人；软件错误有时可以回滚，但物理世界中的对应错误可能“把人压扁”。Mattick 更愿意看到较低但在每个状态上都均匀的成功概率，因为重复测量可以放大这种可靠性，而不是一个隐藏失败次数和失败成本的惊艳演示。
这构成了他对世界模型命题的最终质疑：当前系统经过优化，“在演示中看起来非常漂亮”，也确实能完成令人惊叹的事情，但演示无法告诉你失败了多少次，也无法告诉你失败的代价。预测规模化能够捕捉容易摘取的果实；现实世界中的智能还需要规划、约束、感知和保证。